Jupyter-notebook の作図ライブラリ比較 - Qiita
時は戦国 Python には作図ライブラリがたくさんあります。 最もデファクトスタンダードに近く歴史も古い作図ライブラリは matplotlib で間違いないでしょうが、それでも R における ggplot2 ほどの地位は確立していないように思います。 特に、Jupyter-notebook 上ではインタラクティブなグラフを表示するニーズがあり、そこでは静的なグラフよりもさらにライブラリが割拠している印象があります。何がどう違うのかよくわかりません。 そこで今回は代表的な作図ライブラリの Jupyter-notebook 上での 違いについて簡単にまとめます。 注意 各ライブラリはいずれも細かくグラフのスタイルを設定可能で、やろうと思えば同じような見た目のグラフを生成することも可能ですが、今回はできるだけ何も設定せずにプロットした時のグラフを使います。 今回試すライブラリたち matplo
Bokehの初歩を完全に理解したい - Qiita
bokehの対話的プロットを極力丁寧に理解するために、手頃なサンプルを例に解読を試みる。 ソースコードから予想で仕様を書いているが、ドキュメントも確認しているので大まかには間違いないはず。 全体のソースコードはこちら こんなやつ↓ データ生成 # create three normal population samples with different parameters x1 = np.random.normal(loc=5.0, size=400) * 100 y1 = np.random.normal(loc=10.0, size=400) * 10 x2 = np.random.normal(loc=5.0, size=800) * 50 y2 = np.random.normal(loc=5.0, size=800) * 10 x3 = np.random.normal(loc
Pythonでボケ(Bokeh)よう ～ データ可視化ライブラリの紹介 ～ - Qiita
はじめに Pythonで可視化したい場合 pandasでCSV化してExcelでグラフ化 Pythonのグラフライブラリで可視化 matplotlib seaborn Mayavi Plotly bokeh holoviews pandasでCSV化してRDBに投入して、BIツールで分析 metabase Redash Pythonの可視化パッケージの使い分け Bokehを使った経緯 Pythonで公開APIにアクセスし、取得したデータを可視化したい 取得できるデータは日々変わるので、「CSV→Excelでグラフ表示」は面倒 matplotlibで可視化してみたけど、分析しづらい インタラクティブなBokehを使おう！ matplotlib matplotlibとは グラフ描画ライブラリ 2003年リリース ほとんどのPython入門本で紹介されている（はず） matplotlibでグラフ
Pythonの可視化パッケージの使い分け - Qiita
Pythonで可視化といえばMatplotlibだけど、APIがごちゃちゃしていて覚えにくいのが難点かな。BokehがAPIもうまく整理されていて一番使い勝手がいい気がするけど、まだまだ日本語の情報が少ないのが惜しいところ。 これからはWebにも対応できるBokehが伸びてくるんじゃないかと勝手に期待している。 おすすめの使い分け方 簡単なデータを手早くプロットするなら Matplotlib MATLABからPythonに乗り換えたなら Matplotlib かっこよく人に見せたいなら Bokeh 対話操作を入れたいなら Bokeh グラフ上のデータ点の数値を確認したいなら Bokeh Plotly 3D形状をプロットするなら Plotly Mayavi 統計分析するなら seaborn Matplotlib 良い点 簡単なデータをプロットするのは楽。 プロットの機能が充実している（気がす
ディープラーニングの判断根拠を理解する手法 - Qiita
ディープラーニングは特定分野で非常に高い精度が出せることもあり、その応用範囲はどんどん広がっています。 しかし、そんなディープラーニングにも弱点はあります。その中でも大きい問題点が、「何を根拠に判断しているかよくわからない」ということです。 ディープラーニングは、学習の過程でデータ内の特徴それ自体を学習するのが得意という特性があります。これにより「人が特徴を抽出する必要がない」と言われたりもしますが、逆に言えばどんな特徴を抽出するかはネットワーク任せということです。抽出された特徴はその名の通りディープなネットワークの中の重みに潜在しており、そこから学習された「何か」を人間が理解可能な形で取り出すというのは至難の業です。 例題：このネットワークが何を根拠に猫を猫として判断しているか、ネットワークの重みを可視化した上図から答えよ(制限時間:3分) image from CS231n Visua
[Python]インスタ映えする決定木を描く - Qiita
はじめに 概要 この記事ではPythonをつかって↓こんなのをつくります GraphVizによる決定木描画の不満点 機械学習が流行の今、pythonにおいてはscikit-learnを使う方が多いですよね。 その第一歩として、sklearnのDecisionTreeClassifierでIrisやTitanicを決定木分析するかと思います。 （ぼくはそうでした） sklearnのDecisionTreeClassifierでは、学習した決定木をDOT言語を介してGraphVizで可視化することができます。 ↓こんなふうに。 ダサい 勿論、分析に必要な情報は揃っていてわかりやすい秀逸な図だと思います。でもダサさが溢れ出てますね。 Tableauとかオサレなツールが登場している時代に、この古臭さ。 これではインスタグラムに投稿できないです。 もっとフォトジェニックに描画できないものでしょうか。
![[Python]インスタ映えする決定木を描く - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/7b4abe12374572b59d909ef0ddba19a1e356e6fa/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCUHl0aG9uJTVEJUUzJTgyJUE0JUUzJTgzJUIzJUUzJTgyJUI5JUUzJTgyJUJGJUU2JTk4JUEwJUUzJTgxJTg4JUUzJTgxJTk5JUUzJTgyJThCJUU2JUIxJUJBJUU1JUFFJTlBJUU2JTlDJUE4JUUzJTgyJTkyJUU2JThGJThGJUUzJTgxJThGJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1jM2FiZGRlMWUwNjc5NzkyOTU5N2Q3N2JhYjljYzdlMA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBuZWtvdW1laSZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NjliNDc4ODEwNDQ1NjBiNmJkNTA3MGM0NjViNWE0MmM%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D0381ea8faf5a8d0298922669fcefdfd9)
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
